Domain Generalization for Anatomical Brain Parcellation via Distribution Alignment and Linear Dependency Regularization

Abstract

Anatomical brain parcellation from T1-weighted volumetric magnetic resonance images is highly desired for quantitative analysis in neuroimaging. Quantitative analysis with brain MRI, such as cortical thickness analysis and hippocampal volume analysis, is significantly associated diagnosis, treatment and progression assessment of various types of neurodegenerative diseases. In this paper, we trained the QuickNAT network in order to parcel T1-weighted brain MRI into 28 structures. Meanwhile, in most of the cases that training data is not sufficient, the testing data can be dissimilar to the training data. Especially in medical imaging, this dissimilarity can be due to many factors, such as scanner vendors, imaging protocols, field strengths, and patient populations. The domain shift problem refers to such distribution shift between training (source) and test (target) data. Due to such domain shift problem, the performance of medical imaging classification can be significantly abbreviated by a negative impact. In order to tackle this issue, our methods aim domain generalization through linear dependency modeling and latent feature distribution alignment. Thus, our methods trained the QuickNAT network by optimizing domain generalization loss using rank regularization and Kullback-Leibler divergence, in addition to the task loss. In experiments, we used four domains of datasets in order to validate domain generalization capability. We evaluated domain generalization capability of our proposed method with dice similarity coefficient between target labels and predicted labels. As a result, the overall mean dice similarity coefficient for all class but background was decreased in our methods rather than the baseline. However, for some classes, mean dice similarity coefficients were increased in our methods. In conclusion, it can be considered that the proposed method was not able to enhance domain generalization on all classes because of the big number of classes and class imbalance. |뇌 영상을 이용한 연구 분야에서 T1 강조 자기 공명 영상을 이용한 대뇌 영역 분할은 양적인 연구를 진행함에 있어 중요하게 요구되는 과정이다. 뇌 자기 공명 영상을 이용한 양적 연구는 다양한 종류의 신경 퇴행성 질병의 진단, 치료, 또는 진행 정도를 파악하는 등에 도움을 주는 중요한 분석 정보를 제공할 수 있다. 본 논문에서는 자동 대뇌 영역 분할을 위하여 딥러닝 방식을 이용하였으며, QuickNAT 의 네트워크 모델을 도입하여 입력된 자기 공명 영상을 28 개의 뇌 영역으로 분할하도록 학습을 진행했다. 한편, 이러한 딥러닝 학습 과정에 있어서 학습 데이터가 충분하지 않은 대부분의 경우는 학습 후 적용하고자 하는 테스트 데이터와 학습 데이터가 분포의 차이를 보인다. 특히 의학 영상 데이터의 경우, 이러한 데이터 분포의 차이는 스캐너 장비의 종류, 영상 촬영 프로토콜, 자기장의 세기, 환자 군의 질병 등으로부터 영향을 받는다. 이와 같은 학습 데이터와 테스트 데이터의 분포의 차이는 의학 영상 분류 모델의 성능을 저하하는 요인이 된다. 따라서 데이터 분포 차이로부터 발생하는 성능 저하 문제를 해결하기 위하여, 본 논문에서는 선형 종속성 모델링과 도메인 확률 분포 정렬 방식을 통하여 도메인 일반화를 구현하고자 하였다. 본 논문의 실험에서는 데이터 세트로부터 네 개의 도메인으로 분류하여 모델의 도메인 일반화 능력을 평가에 활용하였다. 본 모델의 도메인 일반화 능력 평가를 위한 지표로써 정답 레이블과 예측 레이블 간의 Dice Similarity Coefficient(DSC)를 이용하였다. 실험 결과에 따르면 배경을 제외한 모든 영역의 영역 별 DSC 를 평균한 전체 DSC 는 도메인 일반화를 적용한 결과 더 낮아지는 것을 볼 수 있다. 모든 영역에 대하여 DSC 가 감소하는 것이 아니라 몇몇 클래스의 DSC 는 증가하는 경향을 보이기도 하였지만, DSC 가 감소하는 영역의 수가 비교적 많기 때문에 전체 DSC 또한 감소하였다. 이는 대뇌 영역 분할 데이터 특성 상 일반적인 딥러닝 분할 경우보다 클래스의 수가 매우 많으며 클래스 간의 불균형이 매우 심하여 발생하는 문제로 보여진다. 클래스 불균형을 해결할 수 있는 아이디어가 포함되어 발전된 알고리즘을 구현한다면 모든 영역에 대하여 성능이 향상되는 결과를 보일 수 있을 것으로 생각된다.